受气候、地理、人类活动等多要素综合影响,径流序列兼有周期性、随机性、趋势性等特点。河川径流承担着航运、发电、灌溉等重要作用,准确高效的径流预报对于水利工程调度、防汛抗旱决策以及水资源开发利用等工作具有重要指导意义。本文针对当前日径流预测模型预见期较短的问题,研究基于机器学习的水文建模和预报的理论方法。首先,构建贝叶斯岭回归（BRR）、支持向量机回归（SVR）、随机森林回归（RFR）、K近邻（KNN）、多元线性回归（MLR）五类简单单项机器学习模型,由校验数据确定各模型对应的最佳样本维度。其次,对于高维样本,在简单单项模型的基础上,通过累加法对样本降维,构建五类改进单项模型。再次,依据简单平均方法、加权平均方法和小波组合方法构建组合模型。选用平均绝对百分比误差、相对均方根误差、确定系数以及合格率四项评价指标,用于校验过程参数选优以及模型预测效果对比。研究结论如下:（1）五类简单单项模型适用于预见期小于5日的径流预报。将各项模型应用于长江流域的寸滩站、宜昌站、汉口站与大通站四个典型测站的日径流预测,研究发现,预见期短于5日时,五类模型的确定系数均高于0.9,各模型预测效果排序为:KNN>RFR≈MLR≈BRR>SVR,预见期超过10日,确定系数均低于0.9,各模型预测效果排序为:RFR>BRR≈MLR>SVR>KNN。（2）五类改进单项模型能够明显提升预报速度,并在一定程度上提升预报精度。五类改进单项模型分别为:IS-BRR、IS-SVR、IS-MLR、IS-KNN、IS-RFR,改进单项模型通过累加列向量的方法对样本降维处理,缩减了训练和预测时间,IS-BRR和IS-MLR模型预报速度提升2倍,IS-KNN、IS-RFR和IS-SVR模型预报速度提升约30倍,在预测精度方面,各项模型的确定系数增加5%~30%。其中,IS-BRR模型、IS-SVR模型和IS-MLR模型的预测特点相似,预测曲线较为平滑。IS-KNN与IS-RFR模型预测特点相似,预测曲线锯齿偏多。（3）简单平均组合模型、加权平均组合模型、小波组合模型的预测性能依次提升,均优于相应的改进单项模型,且预见期越长,各项组合模型的提升效果越显著。每种组合方法对应六项组合模型:BRR-RFR,BRR-KNN,MLR-RFR,MLR-KNN,SVR-RFR,SVR-KNN,相比于改进单项模型,三种组合方法所对应的18项组合模型的确定系数提升5%~40%。对于每一种组合方法,BRR-RFR和MLR-RFR模型的预测效果最优。（4）18项组合模型对大通站和汉口站的预测效果优于寸滩站和宜昌站。预见期为30天时,寸滩站和宜昌站各项组合模型的平均绝对百分比误差为0.18~0.25,高于汉口站与大通站（0.13~0.15）,寸滩和宜昌站的相对均方根误差为0.4~0.5,高于汉口站与大通站（0.18~0.23）,对于寸滩站和宜昌站,预测效果有待优化。